带有regex的提取函数的行为与“正常”regex提取不同？

Question

我尝试通过从一个pandas数据帧中提取1-n行，这些行由一个“start”（示例中的SOMEWORD）和一个“stop”字（示例中的somestop word）之间的换行符拆分结构提取物方法，但它失败了，结果就是。 示例如下。你知道吗

我试着在regex101.com的帮助下构建regex，它可以工作，甚至当我在jupyter笔记本中复制regex101.com中自动生成的示例代码时，它也会像我所期望的那样提取行。你知道吗

熊猫示例代码结构提取物功能：

testInput = pd.DataFrame({'text': ['\nSOMEWORD\n---------- \nFirstline with some text\nSecondline with some text\nThirdline 
with some text\nSOME STOP WORD\n-------------------\n']})
pattern = r'(?<=\nSOMEWORD\n----------\n)(\w.+?(?=\nSOME STOP WORD))'
test = testInput.iloc[0].str.extract(pattern)
test

输出：

text    NaN
Name: 0, dtype: object

regex101.com的示例代码（我只包含链接，这样文章就不会太长。在站点上，您还可以复制自动生成的代码，该代码正在工作，并且只提取开始和结束字之间的行：https://regex101.com/r/JM6Sgc/1

因此，我有两个问题：

• 为什么我的regex不能使用extract函数

• 为什么我不需要在pandas extract函数中转义\n而在regex101站点和“普通”regex代码中转义？模式示例：

  • 成功提取第一行：
    • 图案=r'（？<；=\n单词\n------\n）（\w.+）'
  • 无法提取第一行并输出NaN:
    • 图案=r'（？<；=\\n单词\\n------\\n）（\w.+）'

Answer 1

您可以放弃lookaround并确保匹配换行符，并通过使用re.DOTALL修饰符（您可以将其设置为内联修饰符，(?s)）重新定义.行为：

r'(?s)\nSOMEWORD\n     \n(\w.+?)\nSOME STOP WORD'

参见regex demo

细节

• (?s)-一个内联re.DOTALL修饰符，使.匹配任何字符，包括换行字符
• \nSOMEWORD\n \n-一个文字子字符串，其中\n与文字LF char匹配
• (\w.+?)-group1（这个值将由str.extract返回）：一个单词char后跟1+个字符，尽可能少
• \nSOME STOP WORD-一个LF和一个SOME STOP WORD子串